摘要
[1]. , “ 利用传统立体知识学习单目深度估计 ,“in IEEE/CVF计算机视觉和模式识别会议记录 , 2019 ,第页。 9799 – 9809 . 谷歌学者 [2]. , “ Fastdepth:嵌入式系统上的快速单目深度估计 ,“in 2019年机器人与自动化国际会议(ICRA) IEEE,2019年,pp。 6101 – 6108 . 谷歌学者 [3]. , “ 基于拉普拉斯金字塔深度残差的单目深度估计 ,” IEEE视频技术电路与系统汇刊 , 2021 . 谷歌学者 [4]. , “ 在计算机视觉的贝叶斯深度学习中,我们需要哪些不确定性? ” arXiv预印本 arXiv: 1703.04977 , 2017 . 谷歌学者 [5]. , “ rgb-d slam系统评估的基准 ,“in 程序。 国际智能机器人系统大会 2012年10月。 谷歌学者 [6]. , “ 基于rgbd图像的室内分割与支持推理 ,“in 电子对抗车辆 , 2012 . 谷歌学者 数字图书馆 [7]. , “ 辍学作为贝叶斯近似:在深度学习中表示模型不确定性 ,“in 机器学习国际会议 PMLR,2016,pp。 1050 – 1059 . 谷歌学者 [8]. , “ 神经网络中的权重不确定性 ,“in 机器学习国际会议 PMLR,2015年,pp。 1613 – 1622 . 谷歌学者 [9]. , “ 使用深度集成进行简单且可扩展的预测不确定性估计 ,” arXiv预印本 arXiv: 1612.01474 , 2016 . 谷歌学者 [10]. , “ 你能相信你的模型的不确定性吗? 数据集转移下的预测不确定性评估 ,” arXiv预印本 arXiv: 1906.02530 , 2019 . 谷歌学者 [11]. , “ 估计目标概率分布的均值和方差 ,“in 1994年IEEE神经网络国际会议论文集(ICNN'94) ,卷。 1 IEEE,1994年,pp。 55 – 60 . 谷歌学者 [12]. , “ 贝叶斯深度学习的循环随机梯度mcmc ,” arXiv预印本 arXiv: 1902.03932 , 2019 . 谷歌学者 [13]. , “ 大规模图像分类的贝叶斯推理 ,” arXiv预印本 arXiv: 1908.03491 , 2019 . 谷歌学者 [14]. , “ 损失面、模式连通性和dnn的快速集成 ,“in 第32届神经信息处理系统国际会议论文集 , 2018 ,第页。 8803 – 8812 . 谷歌学者 数字图书馆 [15]. , “ 从两个投影重建场景的计算机算法 ,” 自然 ,卷。 293 ,没有。 5828 ,第页。 133 – 135 , 1981 . 谷歌学者 交叉引用 [16]. , “ 正交下图像流的形状和运动:一种分解方法 ,” 国际计算机视觉杂志 ,卷。 9 ,没有。 2 ,第页。 137 – 154 , 1992 . 谷歌学者 数字图书馆 [17]. , “ 重新审视结构-动作 ,“in IEEE计算机视觉和模式识别会议记录 , 2016 ,第页。 4104 – 4113 . 谷歌学者 交叉引用 [18]. , “ 无监督学习视频中的深度和自我意识 ,“in IEEE计算机视觉和模式识别会议记录 , 2017 ,第页。 1851 – 1858 . 谷歌学者 交叉引用 [19]. , “ 自我监督稀疏感:激光雷达和单目相机的自我监督深度完成 ,“in 2019年机器人与自动化国际会议(ICRA) IEEE,2019年,pp。 3288 – 3295 . 谷歌学者 [20]. , “ 无传感器深度预测:利用结构从单目视频进行无监督学习 ,“in AAAI人工智能会议记录 ,卷。 33 ,没有。 01 , 2019 ,第页。 8001 – 8008 . 谷歌学者 数字图书馆 [21]. , “ 基于视频的无监督尺度一致性深度学习 ,” 国际计算机视觉杂志 ,卷。 129 ,没有。 9 ,第页。 2548 – 2564 , 2021 . 谷歌学者 数字图书馆 [22]. , “ 一致的视频深度估计 ,” ACM图形事务处理(TOG) ,卷。 39 ,没有。 4 ,第页。 71 – 1 , 2020 . 谷歌学者 [23]. , “ Deepvideomvs:具有重复时空融合的多视点立体视频 ,“in IEEE/CFF计算机视觉与模式识别会议论文集 , 2021 ,第页。 15324 – 15333 . 谷歌学者 [24]. , “ 通过视频传播和标签松弛改进语义分割 ,“in IEEE/CVF计算机视觉和模式识别会议记录 , 2019 ,第页。 8856 – 8865 . 谷歌学者 [25]. , “ 神经rgb(r)d传感:摄像机的深度和不确定性 ,“in IEEE/CVF计算机视觉和模式识别会议记录 , 2019 ,第页。 10986 – 10995 . 谷歌学者 [26]. , “ 视频语义分割的有效不确定性估计 ,“in 欧洲计算机视觉会议记录 , 2018 ,第页。 520 – 535 . 谷歌学者 [27]. , “ 现代神经网络的校准 ,“in 机器学习国际会议 PMLR,2017年,pp。 1321 – 1330 . 谷歌学者 [28]. , “ 使用贝叶斯binning获得校准好的概率 ,“in 第二十届AAAI人工智能会议 , 2015 . 谷歌学者 数字图书馆 [29]. , “ 深度证据回归 ,” arXiv预印本 arXiv: 1910.02600 , 2019 . 谷歌学者 [30]. , “ 百层提拉米苏:用于语义分割的完全卷积密度 ,“in IEEE计算机视觉和模式识别研讨会会议记录 , 2017 ,第页。 11 – 19 . 谷歌学者 交叉引用 [31]. , “ 利用全卷积残差网络进行深度预测 ,“in 2016年第四届国际3D视觉会议(3DV) IEEE,2016年,pp。 239 – 248 . 谷歌学者 [32]. , “ Orb-slam:一种多功能、精确的单目slam系统 ,” IEEE机器人事务 ,卷。 31 ,没有。 5 ,第页。 1147 – 1163 , 2015 . 谷歌学者 数字图书馆 [33]. , “ ORB-SLAM2:用于单目、立体和RGB-D相机的开源SLAM系统 ,” IEEE机器人汇刊 ,卷。 33 ,没有。 5 ,第页。 1255 – 1262 , 2017 . 谷歌学者 数字图书馆 [34]. , “ 把事情从观点中拉出来 ,“in IEEE计算机视觉和模式识别会议记录 , 2014 ,第页。 89 – 96 . 谷歌学者 数字图书馆 [35]. , “ 基于多尺度深度网络的单幅图像深度图预测 ,” arXiv预印本 arXiv: 1406.2283 , 2014 . 谷歌学者 [36]. , “ 稀疏:从稀疏深度采样和单个图像进行深度预测 ,“in 2018 IEEE机器人与自动化国际会议(ICRA) IEEE,2018年,pp。 4796 – 4803 . 谷歌学者 数字图书馆 [37]. , “ 稀疏不变cnns ,“in 国际3D视觉会议(3DV) , 2017 . 谷歌学者 交叉引用
建议
变深度网络:不确定感知的单目自监督深度估计 计算机愿景–ECCV 2022研讨会 摘要 使用自监督学习,训练神经网络从单个图像预测深度,而不需要地面实况注释。 然而,它们容易受到输入歧义的影响,因此表达。。。 用于单目深度估计的多尺度深度分类网络 集锦 通过将回归任务转化为分类任务,提出了一种用于单目深度估计的多尺度分类网络。
摘要 除了图像的RGB信息外,深度信息也是最关键的。 单目深度估计是从RGB图像中预测深度的有效方法。 首先,我们提出了一个多尺度分类网络。。。 图形摘要 忽略的显示